基于在線評論的餐飲業消費者滿意度研究

厲兆通　楊瀟　徐毅　廖昕

摘? ?要：當前，餐飲消費不僅是消費者一日三餐的剛需，也是重要的社交方式。在餐飲業規模不斷壯大的背景下，測度消費者滿意度對提高餐飲企業的產品和服務質量，幫助其可持續發展具有重大意義。以呷哺呷哺為例，運用Python編程在美團團購與大眾點評APP上1 071家呷哺呷哺店鋪爬取了2017—2020年間510 000多條評論數據，采用詞頻統計、SKEP情感加強預訓練與層次分析法，以評論星級為基礎，引入配圖數量、被瀏覽量、情緒詞頻三個維度的偏離度校正后得到消費者滿意度模型，并計算消費者滿意度偏差。結果表明，呷哺呷哺在樣本期間消費者滿意度偏低，需要反思自身存在的問題并進行調整。而消費者滿意度偏差較為穩定，表明沒有出現刷單或控評的不良行為。此研究結果可以為餐飲企業更準確地掌握消費者滿意度，以及監管部門監管餐飲企業刷單、控評行為提供參考。

關鍵詞：餐飲企業；消費者滿意度；在線評論；文本挖掘；層次分析法

中圖分類號：F83? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2023）03-0061-05

引言

隨著我國城鎮居民和農村居民生活水平達到富裕和小康水平，居民的餐飲消費逐漸從一日三餐的剛需升級到感受餐飲文化以及社交的重要方式，我國餐飲業也進入成熟階段，市場規模不斷壯大。國家統計局數據顯示，2019年我國餐飲業收入為4.7萬億元，同比增長9.4%。2020年，我國餐飲業收入有所下降，為3.95億元。為走出困境，大量餐飲企業通過“互聯網+”，開始建立線上線下一站式服務模式，以增強自身市場恢復能力。《中國餐飲大數據2021》報告指出，2020年5—12月，餐飲業整體線上訂單阿量同比增長107.9%。而伴隨數字化轉型的深入，在線評論也大量產生。作為消費者反饋的重要渠道，在線評論包含豐富信息，不僅能表達觀感，幫助潛在消費者做出購買決策，還能幫助相關餐飲企業提高服務質量。

一、相關研究文獻評述

隨著餐飲業迅速發展，學術界從不同角度對餐飲業消費者滿意度進行了研究。林峰利用因子分析法，研究某老字號餐飲企業消費者滿意度，發現環境因素對該企業消費者滿意度影響程度最高[1]。黃生權和文雅則基于ECSI模型構建了我國餐飲團購顧客滿意度模型[2]。牛蘭蘭和張偉、楊延風使用IPA分析法分別研究了美食街和鄉村旅游餐飲的游客餐飲滿意度[3，4]。張艷和王喜慶則采用模糊層次分析法，構建了餐飲街區的消費滿意度評價指標體系[5]。

目前，還沒有文獻通過在線評論研究我國餐飲業消費者滿意度。但在其他領域，基于在線評論研究消費者滿意度的成果較為豐富。部分學者針對在線評論中的評論星級、評論數量等數值屬性進行了研究。高寶俊等使用Tripadvisor.com的酒店數據，指出消費者對酒店位置的評分能顯著提高酒店的訂滿率[6]。李紅柳和王興元則研究發現評論數量對顧客價值創造有正向影響[7]。考慮到消費者滿意度是一種心理狀態和情感表達（Hunt；張勝亮和李小東），也有學者從在線評論的文本關鍵詞、文本情感傾向等文本屬性著手[8，9]。例如，馬鳳才和李春月通過對京東生鮮在線評論進行文本分析，研究發現物流、品質、包裝、服務以及價格都是影響生鮮產品滿意度的特征因素[10]。吳維芳等對Tripadvisor.com酒店評論提取的特征詞進行情感分數計算，并進一步構建計量經濟模型，分析了酒店特征的情感傾向與消費者滿意度的關系[11]。尹麗春和王悅則在研究圖書消費者滿意度時，指出當讀者評論對圖書內容表達出不同情感時，其他影響因素對滿意度的影響模式和程度有所不同[12]。

綜上所述，在線評論作為消費者體驗后所給出的信息反饋，包含數值屬性和文本屬性多方面的信息，能夠在一定程度上反映消費者對產品和服務的滿意程度，有利于營造公平、誠信、放心的消費環境。但是目前還沒有文獻利用在線評論研究餐飲業消費者滿意度，并且結合在線評論的數值屬性和文本屬性來研究消費者滿意的研究文獻也相對較少。因此，本文運用情感分析方法，以在線評論的評論星級為基礎，結合配圖數量、被瀏覽量和情緒詞頻進行修正，構建餐飲企業的消費者滿意度模型。

二、研究設計

本文包括文本語料預處理、詞頻統計、SKEP情感強化預訓練訓練、層次分析法。首先通過文本語料預處理，得到評論中評論星級、被瀏覽量、配圖數量，并進一步采用SKEP情感訓練對每條評論進行情感分類，得到情緒詞頻。然后以評論星級為基礎，初步計算消費者滿意度。接著根據被瀏覽量、配圖數量和情緒詞頻分別構造偏離度，采用AHP層次分析法計算三個偏離度的權重。采用被瀏覽量、配圖數量和情緒詞頻偏離度校正基于評論星級計算的消費者滿意度之后，得到最終消費者滿意度模型，并將校正前后消費者滿意度之差稱為消費者滿意度偏差。具體研究框架如圖1所示。

（一）以評論星級為基礎的消費者滿意度測算

由于每條評論星級是消費者滿意程度的直觀表達，本研究采用每條評論星級（Si）作為每位消費者滿意度的直接體現，初步定義消費者滿意度（CS）為N條評論的平均星級與未校正前的星級上限（Smax）之比，即：

（二）構建三種偏離度及權重計算

1.引入偏離度

2.偏離度權重計算

由于上述三種偏離度的要素特征不盡相同，其對消費者滿意度的校正能力也存在差異，因此，需要對其賦權，設α為配圖數量偏離度權重，β為被瀏覽量偏離度權重，γ為情緒詞頻偏離度權重。由于三種偏離度的校正原理為：當一條評論為積極評論時，該評論配圖數量大于平均配圖數量，則將加強該評論的積極情緒，表現為滿意度的增加，反之則減少；當評論為消極評論時，該評論配圖數量大于平均配圖數量，則也會加強該評論的消極情緒，表現為滿意度的減少，反之則增加。被瀏覽量的作用原理相同。當一條評論為積極評論時，該評論積極詞頻大于平均積極詞頻，則將加強該評論積極情緒，表現為滿意度的增加，反之則減少，而該評論消極詞頻大于平均消極詞頻，則會減弱該評論積極情緒，表現為滿意度的減少，反之則增加。因此，當評論為積極評論時，有α，β，γ＞0；當評論為消極評論時，有α，β＜0，γ＞0。三者絕對值之和為1。

參考已有文獻，采用層次分析法計算偏離度權重。根據實際情況，考慮各種因素關聯度和重要性，確定三種偏離度影響因素評價指標體系，構建遞階層次結構模型，如圖2所示。其中，數量性定義為判斷該項偏離度中影響因素數量變化對評論質量的影響是否顯著，生動性定義為判斷該項偏離度的量化方式對影響因素作用于評論質量的刻畫是否直觀，功能性定義為判斷該項偏離度對評論質量產生影響的作用機理是否正確有效。

通過查閱資料，結合餐飲行業專家打分，得到遞階層次結構模型中準則層各指標之間的重要程度、準則層與方案層各項因素重要程度，基于九標度法，得到判斷矩陣，然后對所給出重要性得分結果進行一致性檢驗。通過一致性檢驗后，運用SPSS計算三種偏離度權重。

（三）基于不同情緒的消費者評論分類

如前文所述，本文在構建情緒詞頻偏離度時，分別構建了積極詞頻偏離度和消極詞頻偏離度，并且偏離度權重系數的正負性也取決于評論的情緒。因此，需要將消費者評論根據積極情緒和消極情緒進行分類。

定義傳達正面情感的詞語為積極詞語，在消費者評論中所出現的次數稱為積極詞頻，用Wpi來表示；傳達負面情感的詞語為消極詞語，其在消費者評論中所出現的次數稱為消極詞頻，用Wni來表示。首先去除評論中無實際意義的停用詞，再進行分詞處理，參照python3.9.1中的SnowNLP詞典，統計出每條評論的積極詞頻與消極詞頻。在不考慮詞語以外因素的情況下，簡單地，當積極詞頻大于消極詞頻時，可認為該評論為積極評論（positive）；當積極詞頻等于消極詞頻時，可認為該評論為中性評論（neutral）；當積極詞頻小于消極詞頻時，可認為該評論為消極評論（negative），即：

但是，上述模型無法正確反映全部評論情緒，誤差較大。第一，本文所獲取的樣本中超過半數為空白評論，即只有星級評價而不具有文本的評論，簡單依靠情緒詞頻的比較無法判斷該評論情緒。第二，由于語義表達的豐富性，詞典匹配法存在無法判斷一些中性詞或正詞反用的情況。因此，本文在此基礎上運用Tian等[14]提出的SKEP模型（Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis），即情感強化預訓練法，對評論情緒的分類進行優化改進。相較于詞典匹配法，該方法不但能夠區分文本的情感程度，如“非常好吃”與“好吃”的情感判別概率分數是不同的，而且精準度更高。例如，“花銷減少了”，在詞典匹配法下，“減少”即是消極詞語，但該評論所傳達的是積極情緒，SKEP能夠減少此類錯誤。

（四）構建消費者滿意度模型

配圖數量、被瀏覽量均與評論質量正相關，即該評論配圖數量越多，被瀏覽量越高，該評論質量越高，進而評論所傳達的該種情緒越可信。因此，本文引入配圖數量偏離度、被瀏覽量偏離度與情緒詞頻偏離度作為影響因素對（1）式進行校正，得到消費者滿意度模型：

（五）構建消費者滿意度偏差

三、實證結果和分析

（一）數據采集

美團團購與大眾點評APP作為美團旗下發展較早的線上餐飲平臺，線上餐飲企業與消費者用戶體量龐大，遙遙領先于其他。同時，二者為消費者創造了更為詳細的信息反饋機制，除星級評價與文本評論外，還設有配圖與被瀏覽記錄等不同維度的評論信息。因此，本文選取美團團購與大眾點評APP作為消費者在線評論的信息來源。北京呷哺呷哺連鎖快餐管理有限公司（以下簡稱“呷哺呷哺”）是一家源自臺灣的連鎖餐飲企業，目前線上餐飲店鋪數量超過1 000家，遍布國內30多個城市，年累計接待總人次超過1個億，消費者在線評論規模龐大。本研究選取的評論數據樣本來自美團團購與大眾點評共1 071家呷哺呷哺510 000多條在線評論，包括評論星級、評論文本、評論配圖數量及評論被瀏覽量。樣本區間為2017年1月1日至2020年12月31日。

（二）測算結果及分析

1.基于AHP層次分析法偏離度權重計算結果

使用餐飲行業專家打分整理后得到的判斷矩陣，運用SPSS軟件計算出餐飲業在線評論三種偏離度的總排序權值，詳見表2：

CR值小于0.1，表明通過一致性檢驗。可以看出，配圖數量偏離度權重數值最高，被瀏覽量偏離度權重數值最低，這與實際情況相符。質量較高的評論往往配有一定數量的、能夠直觀表達消費者情感的圖片。而刷單、控評行為更容易通過簡單的文本評價和增加瀏覽量實現，所以配圖數量對評論質量的影響力度最大，情緒詞頻對評論質量的影響次之，被瀏覽量的影響最弱。判斷矩陣及具體計算過程備索。

2.消費者滿意度測算結果及分析

在對2017—2020年1 071家呷哺呷哺在美團團購與大眾點評APP上的消費者評論進行處理后，將情緒分類前的評論數據帶入（1）式，并將情緒分類后的評論數據及各偏離度權重代入（2）式后得到呷哺呷哺消費者滿意度，所得結果見表3。

由表3可以看出，校正前后的消費者滿意度都呈現出先降后升的趨勢，2020年的消費者滿意度最高。而2018年的消費者滿意度最低，這可能與呷哺呷哺在2018年出現食品安全問題有關，隨后按照監管部門要求進行整改，服務質量與食品質量的提高使消費者滿意度有所回升。比較校正前后的消費者滿意度可知，校正前的滿意度普遍較高，而在結合配圖數量、被瀏覽量、情緒詞頻進行校正后，消費者滿意度有所降低。校正后的消費者滿意度更符合實際情況，呷哺呷哺自2017年宣布效仿海底撈進行高端化戰略轉型開始，客單價從2017年的48.4元上升到2020年的62.3元，而翻臺率則從3.3降低到2.3。由于服務和菜品質量并沒有隨著客單價的增加而提高，因此消費者滿意度始終不高。進一步對比2017年與2019年的消費者滿意度，可以發現，2017年呷哺呷哺校正前的消費者滿意度高于2019年，而校正后的滿意度情況則恰恰相反。這是由于呷哺呷哺2017年在線評論質量低于2019年導致的，2017年呷哺呷哺在線評論的配圖數量平均值為0.136，配圖評論占比僅為4.55%，而2019年配圖數量平均值為0.4378，配圖評論占比高達17.62%。這說明在線評論星級不能準確地反映消費者的觀感，而配圖數量、被瀏覽量、情緒詞頻能夠體現評論質量，通過這三個維度的校正有助于提高消費者滿意度的測量精確度，測算出更符合實際情況的消費者滿意度。另外，2017—2020年間呷哺呷哺的消費者滿意度偏差均位于負25%左右的較穩定區間，表明該時段內消費者評論特征無明顯變化，呷哺呷哺在樣本期間存在刷單、控評等欺詐行為的可能性較低。

結語

本文以呷哺呷哺的在線評論為樣本，使用詞頻統計、SKEP情感加強預訓練與層次分析法，在評論星級的基礎上引入配圖數量、被瀏覽量和情緒詞頻三種偏離度構建餐飲業消費者滿意度模型，能夠更準確地反映消費者偏好和觀感。而消費者滿意度偏差有助于刷單、控評等欺詐行為的識別。呷哺呷哺在線評論的測算結果表明，2017—2020年間消費者滿意度持續偏低，呷哺呷哺需要考慮調整企業戰略，提高服務質量，以提高消費者滿意度。本文從在線評論入手測算消費者滿意度，有助于餐飲企業更為便捷、準確地掌握消費者的總體評價，并提出消費者滿意度偏差，為監管部門對刷單、控評等欺詐行為提供了一個新的參考指標。

根據上述分析結果，對餐飲企業提出如下建議：一是實時關注消費者滿意度情況。餐飲企業應對消費者滿意度進行持續的動態測評，參考消費者滿意度，督促自己積極審查自身存在的問題，并對應進行菜品、服務或者企業戰略的調整，在提高消費者滿意度的同時，實現企業的可持續發展。二是杜絕刷單等欺詐行為的發生。借助消費者滿意度偏差的測算，監管部門可以對餐飲企業的刷單、控評等欺詐、非正當競爭行為進行監管，有助于維護良好健康的餐飲市場秩序。

本研究的不足在于樣本的選擇不夠全面，數據采集時只選取了2017—2020年的消費者評論，而美團團購和大眾點評作為評論的數據來源，其在2020年后推出了新的消費者評論維度，比如點贊數等，這些因素也會對評論質量造成影響，但本文的消費者滿意度模型并未涉及。未來研究可將新出現的評論質量影響維度加入模型中以進行更加全面的分析。

參考文獻：

[1]? ?林峰.基于因子分析的老字號餐飲企業顧客滿意度實證研究——一個個案研究的啟示[J].旅游學刊，2009，24（7）：53-58.

[2]? ?黃生權，文雅.基于ECSI的餐飲類團購顧客滿意度測評模型研究[J].企業經濟，2016，（5）：157-162.

[3]? ?牛蘭蘭，張偉.基于IPA分析法的美食街游客餐飲滿意度研究——以濟南芙蓉街為例[J].美食研究，2016，（3）：53-58.

[4]? ?楊延風.基于ＩＰＡ分析的鄉村旅游餐飲服務滿意度評價實證研究——以陜西袁家村為例[J].旅游資源，2018，34（3）：408-412，366.

[5]? ?張艷，王喜慶.基于模糊層次分析法的餐飲街區顧客滿意度評價研究[J].美食研究，2018，（1）：57-59.

[6]? ?高寶俊，孫含琳，王寒凝.在線評論對酒店訂滿率的影響研究[J].旅游學刊，2016，31（4）：109-117.

[7]? ?李紅柳，王興元.在線用戶評論對顧客價值創造的影響研究——基于對消費者價格決策的考量[J].價格理論與實踐，2018，（1）：150-153.

[8]? ?Hunt H. K.Consumer satisfaction：discussant comments[J].Advances in consumer research，1983，10（4）：262．

[9]? ?張圣亮，李小東.網上購物顧客滿意度影響因素研究[J].天津大學學報：社會科學版，2013，15（2）：109-115.

[10]? ?馬鳳才，李春月.消費者對電子商務平臺銷售生鮮產品滿意度測算研究——基于京東生鮮在線評論的分析[J].價格理論與實踐， 2020，（5）：117-120.

[11]? ?吳維芳，高寶俊，楊海霞，孫含琳.評論文本對酒店滿意度的影響：基于情感分析的方法[J].數據分析與知識發現，2017，1（3）：62-71.

[12]? ?尹春麗，王悅.基于在線評論的圖書消費者滿意度影響因素與作用機理[J].圖書情報工作，2019，63（22）：106-117.

[13]? ?黃恒君，龐智強.極端值影響下總體均值估計量的調整[J].統計與信息論壇，2007，（6）：16-18，48.

[14]? ?Tian H.，Gao C.，Xiao X.，Liu H.，He B.，Wu H.，Wang H.，Wu F.SKEP：Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis[J].Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics，2020.

[責任編輯? ?白? ?雪]